Yapay Zeka Mülakatlarında Aksan ve Dil Bariyerlerini Aşmak

Yapay zeka sesli mülakat teknolojileri, küresel iş gücü piyasasında dilsel çeşitliliği kucaklama vaadiyle öne çıkıyor. Ancak, farklı aksanların ve yerel lehçelerin algoritmalar tarafından nasıl yorumlandığı, işe alımda "fırsat eşitliği" ve "adalet" ilkeleri açısından kritik bir tartışma konusu olmaya devam ediyor. Güncel araştırmalar, bu teknolojinin bir yandan erişilebilirliği artırırken diğer yandan bazı adaylar için yeni bariyerler yaratabildiğini gösteriyor.

Teknolojik ilerleme: Aksanları anlama kapasitesi

Venkanna ve ekibi (2025) tarafından yürütülen çalışma, gelişmiş konuşma tanıma teknolojilerinin farklı aksanları ve konuşma varyasyonlarını yüksek doğrulukla metne dönüştürerek erişilebilirliği artırdığını belirtiyor. Leybzon ve meslektaşları (2025), gerçek dünya koşullarında yapılan testlerde, sesli yapay zeka ajanlarının insan gözden geçirmecilerin bile anlamakta zorlandığı aksanlı konuşmaları başarıyla yorumlayabildiğini kanıtlıyor. Bu durum, yapay zekanın teknik olarak dil bariyerlerini aşma potansiyelinin her geçen gün güçlendiğini gösteriyor.

Sahu (2025), mülakat hazırlık araçlarının gelecekte çok dilli desteği (multilingual support) tamamen entegre ederek, ana dili farklı olan adayların kendi dillerinde veya aksanlarıyla mülakata girmesini kolaylaştıracağını öngörüyor. Ancak bu teknolojik iyimserlik, adayların psikolojik deneyimiyle her zaman örtüşmüyor.

Linguistik kaygı ve aday üzerindeki baskı

Sunil (2024) araştırması, Hindistan gibi çok dilli toplumlarda adayların yapay zeka tarafından yanlış anlaşılma korkusuyla büyük bir stres ve anksiyete yaşadığını vurguluyor. Sussex Üniversitesi (2025) raporunda paylaşılan "Alina" vakası, aksanlı konuşan bir adayın kelimelerinin yapay zeka tarafından analiz edileceğini öğrendiğinde kendini aşırı derecede "öz farkındalık" (self-conscious) içinde hissettiğini ve doğal akışını kaybettiğini belgeliyor. Bu adaylar, mülakat sırasında enerjilerini ve tutkularını göstermek yerine, sadece "hata yapmamaya" odaklanıyorlar.

Sunil (2024) tarafından belirtildiği üzere, kültürel iletişim tarzları ve sosyal ipuçları algoritmalara tam olarak yedirilmediğinde, yapay zeka adayların niteliklerini yanlış yorumlayabiliyor. Bu durum, dil bariyerinin sadece teknik bir anlama sorunu değil, aynı zamanda adayın performansını baskılayan psikolojik bir engel olduğunu kanıtlıyor.

Adalet ilkesi: Algoritmik önyargı riski

Jaser ve meslektaşları (2025), sesli mülakat platformlarının aksanlı veya farklı arka planlara sahip adayları yanlış yorumlama riskinin, işe alım adaletini zedeleyebileceği konusunda ciddi uyarılarda bulunuyor ve yapay zekanın bazen aynı sorulara farklı dillerde verilen cevapları tanımada başarısız olduğunu ve adayların ses tonundan (intonation) hatalı kişilik çıkarımları yapabildiğini ifade ediyor. Bu tür teknik sınırlamalar, liyakat esaslı bir değerlendirme yerine "aksana dayalı bir ayrımcılık" riskini beraberinde getiriyor.

Çalışmalar, bu sorunların aşılması için şirketlerin adaylara yapay zekanın neyi, hangi dilde ve hangi kriterlerle ölçtüğünü açıkça anlatması gerektiğini savunuyor. Adaylar algoritmaların kendi "eşsiz niteliklerini" ve dilsel inceliklerini fark edemeyeceğine inandıklarında, sürece olan güvenleri hızla sarsılıyor.

Sonuç: Kapsayıcılık için şeffaf tasarım

Veriler gösteriyor ki; yapay zekanın sesli mülakatlarda gerçekten kapsayıcı olabilmesi için sadece "kelimeleri anlaması" yeterli olmuyor; aynı zamanda kültürel ve dilsel farklılıkları birer "hata" olarak görmemesi gerekiyor. Sussex Üniversitesi (2025) rehberinde önerilen "cam kutu" (glass box) yaklaşımı, adaylara mülakat formatı hakkında net bilgi verilmesinin dilsel dezavantajları azalttığını kanıtlıyor.

Kaynakça

Geiecke, F., & Jaravel, X. (2026). Conversations at Scale: Robust AI-led Interviews. LSE & CEPR.
Jaser, Z., et al. (2025). Artificial Intelligence (AI) in the job interview process: Toolkit for employers, careers advisers and hiring platforms. University of Sussex.
Leybzon, D. D., et al. (2025). AI Telephone Surveying: Automating Quantitative Data Collection with an AI Interviewer. VKL Research & SSRS.
Sahu, A., et al. (2025). AI Interviewer Using Generative AI. ICAAAI 2025.
Savani, K., et al. (2022). Applicants' Fairness Perceptions of Algorithm-driven Hiring Procedures. IMD & NUS.
Sunil, A. (2024). Exploring Job Applicants' Perspectives on Ai-Driven Interviews. IJAEM.
Tuffaha, M. (2025). Adoption Factors of Artificial intelligence in Human Resource Management. Universitat Politècnica de València.
Venkanna, G., et al. (2025). AI Interview Simulator: An Intelligent Hiring & Preparation Assistant. ICCSCE 2025.